Struttura del corso
Introduzione al Machine Learning
- I tipi di Machine Learning: supervisionato e non supervisionato
- Dall’apprendimento statistico al Machine Learning
- Il flusso lavorativo dell’estrazione dati: comprensione del contesto aziendale, preparazione dei dati, modellizzazione, implementazione
- Scelta dell’algoritmo più adatto all’obiettivo da raggiungere
- Il fenomeno dell’overfitting e il compromesso tra bias e varianza
Panoramica su Python e le librerie per il Machine Learning
- Perché utilizzare i linguaggi di programmazione nel Machine Learning
- Rispetto a R, quali vantaggi offre Python?
- Corsi intensivi su Python e introduzione ai Jupyter Notebook
- Liberie Python essenziali: pandas, NumPy, scikit-learn, matplotlib, seaborn
Verifica ed evaluazione degli algoritmi di Machine Learning
- Generalizzazione, overfitting e validazione dei modelli
- Strategie di valutazione: split dei dati per training/test, validazione incrociata, bootstrapping
- Metriche utili nella regressione: errore medio assoluto, MSE, RMSE, MAPE
- Metriche per la classificazione: accuratezza, matrice di confusione, gestione delle classi sbilanciate
- Visualizzazione delle prestazioni dei modelli: curva di profitto, curva ROC, curva di lift
- Selezione del modello ottimale e ricerca sistematica degli iperparametri
Pre-elaborazione dei dati
- Importazione e archiviazione dei dati in Python
- Analisi esplorativa e calcolo di statistiche descrittive
- Gestione dei valori mancanti e individuazione degli outlier
- Standardizzazione, normalizzazione e altre tecniche di trasformazione
- Riconversione dei dati qualitativi e gestione strutturata con pandas
Algoritmi di classificazione
- Differenze tra classificazione binaria e multiklasse
- Regressione logistica e funzioni discriminanti
- Classificatore Naïve Bayes, algoritmo dei k più vicini vicini
- Alberi decisionali: CART, Foreste casuali, tecniche di Bagging e Boosting, XGBoost
- Macchine a vettori di supporto e i relativi kernel
- Tecniche di apprendimento aggregato (ensemble learning)
Regressione e previsione numerica
- Il metodo dei minimi quadrati e la selezione delle variabili significative
- Metodi di regolarizzazione: L1 e L2
- Regressione polinomiale e modelli non lineari in generale
- Alberi di regressione e spline funzionali
Apprendimento non supervisionato
- Tecniche di raggruppamento: k-means, k-medoidi, clustering gerarchico, SOM
- Riduzione della dimensionalità: PCA, analisi fattoriale, SVD
- Scala multidimensionale dei dati
Estrazione di informazioni da testi
- Pre-elaborazione e tokenizzazione del testo
- Metodi come bag-of-words, stemmazione e lemmatizzazione
- Analisi del sentiment e conteggio della frequenza delle parole
- Rappresentazione visiva dei dati testuali tramite nuvole di parole
Sistemi di raccomandazione
- Filtraggio collaborativo basato sugli utenti o sugli oggetti
- Progettazione e valutazione dei motori di raccomandazione
Rilevamento di pattern associativi
- Identificazione degli elementi che compaiono spesso nei dati, algoritmo Apriori in particolare
- Analisi dei panieri di acquisto e calcolo del rapporto di lift
Rilevamento degli outlier
- Analisi statistica dei valori estremi
- Tecniche basate sulla distanza o sulla densità per individuare i dati anomali
- Rilevamento di outlier in insiemi di dati ad alta dimensionalità
Studio di caso pratico sul Machine Learning
- Comprensione del problema aziendale in oggetto
- Gestione dei dati e creazione delle caratteristiche rilevanti per il modello
- Scelta e ottimizzazione dell’algoritmo più adatto
- Valutazione globale dei risultati e presentazione ai stakeholders
- Fasi finali: implementazione del modello nel contesto reale
Sintesi e prospettive future
Requisiti
- Conoscenze di base di statistica e algebra lineare
- Familiarità con i concetti legati all’analisi dei dati o all’intelligenza aziendale
- Esperienza programmatoria (preferibilmente in Python o R) è consigliata
- Interesse nell’apprendere il Machine Learning applicato a progetti basati sui dati
Destinatari del corso
- Analisti e scienziati dei dati
- Statistici e professionisti della ricerca scientifica
- Sviluppatori e professionisti IT interessati alle tecnologie di Machine Learning
- Tutti coloro che operano in ambito data science o analisi predittiva
Recensioni (3)
Anche se ho dovuto saltare un giorno a causa di incontri con i clienti, mi sento molto più chiaro riguardo ai processi e alle tecniche utilizzate nell'Apprendimento Automatico e quando scegliere un approccio piuttosto che un altro. La nostra sfida ora è mettere in pratica ciò che abbiamo imparato e cominciare ad applicarlo al nostro dominio di problema
Richard Blewett - Rock Solid Knowledge Ltd
Corso - Machine Learning – Data science
Traduzione automatica
Mi è piaciuto che il corso di formazione fosse incentrato su esempi e programmazione. Pensavo che sarebbe stato impossibile inserire così tanto contenuto in tre giorni di formazione, ma mi sono sbagliato. La formazione ha coperto molti argomenti e tutto è stato trattato con grande dettaglio (in particolare l'ottimizzazione dei parametri del modello - non mi aspettavo che ci fosse il tempo per questo e ne sono rimasto molto sorpreso).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Corso - Machine Learning – Data science
Traduzione automatica
Viene mostrato un gran numero di metodi con script pre-preparati - materiali molto ben preparati e facili da tracciare.
Kamila Begej - GE Medical Systems Polska Sp. Zoo
Corso - Machine Learning – Data science
Traduzione automatica
